پردازش تصویر با پایتون-تبدیل فوریه
تبدیل فوریه برای سیگنال یک بعدی
بالاخره رسیدیم به بحث شیرین تیدیل_فوریه.
استفاده از تبدیل فوریه برای تجزیه سیگنال نور:
python-Image processing-Fourier transformation
در واقع اگر سیگنال، به عنوان تابعی از زمان باشد، برای تجزیه این تابع از فرکانسها یا توابع سینوسی تشکیل شده از تبدیل فوریه استفاده میشود.
فوریه
تابعی است که با استفاده از آن می توان هر تابع متناوب را به صورت جمعی از توابع نوسانی ساده(سینوسی، کسینوسی و یا تابع نمایی مختلط ) نوشت.
آنالوگ
موجی با تغییرات پیوسته(انتگرال فوریه)
دیجیتال
موجی با تغییرات گسسته(سری فوریه)
Fourier series
Fourier series
سیگنال صوت
از مجموعه ای از سینوسها با فرکانس ودامنه وابسته به زمان تشکیل شده است.
این همه بحث در مورد تبدیل فوریه و تجزیه سیگنال به فرکانسهای تشکیل دهنده . کاربردش چیه؟؟ یکی از پر کاربردترین موارد استفاده از آن، فرایند فیلتر در پردازش سیگنال است.
مثلا اگر صدا خش دار و بی کیفیت است یا تصویر وضوح خوبی ندارد با حذف برخی از فرکانسها یا کاهش نویز توسط فیلتر به کیفیت مطلوب میرسونیم.
فرکانس یا بسامد
تعداد تکرار یک رویداد در واحد زمان.
بر اساس اینکه کدامیک از این سه نوع فرکانس باید حذف شود، سه نوع فیلتر داریم.
python-Image processing-Fourier transformation
انواع فیلتر :
۱)فیلتر پایین گذر: فرکانسهای بالاتر از یک مقدار معین را حذف میکند و فرکانسهای پایین تر را عبور میدهد.
۲)میان گذر : فقط فرکانس های حد متوسط و میانی عبور داده میشود.
۳) بالا گذر : فرکانسهای پایین تر از یک مقدار معین را حذف میکند و فرکانسهای بالا تر را عبور میدهد.
واقعیت این است که قبل از پردازش اصلی ما یک پیش پردازش داریم تا سیگنالهای خارج از محدوده ی فرکانسی حذف شود. و این کار با فیلتر کردن انجام میشود.
python-Image processing-Fourier transformation
تا اینجا ما سیگنال یک بعدی را بررسی کردیم.ولی تصویر یک سیگنال دو بعدی است
